一組Skoltech科學(xué)家開發(fā)了機器學(xué)習(ML)算法，該算法可教授人工智能(AI)以基于核磁共振(NMR)數(shù)據(jù)確定機油粘度。該新方法可用于石油工業(yè)和其他部門，這些部門必須依靠間接測量來表征物質(zhì)。

粘度是石油和石化產(chǎn)品的重要參數(shù)，對生產(chǎn)和加工具有影響，同時有助于更好地理解和模擬儲層的自然過程。標準的油粘度評估和監(jiān)控技術(shù)非常耗時和金錢，有時在技術(shù)上不可行。由于材料具有吸收和發(fā)射電磁能的能力，因此NMR可以幫助確定特性。油是碳氫化合物的化學(xué)非均質(zhì)混合物，這使得NMR結(jié)果的解釋極為困難。

來自Skoltech，卡爾加里大學(xué)(加拿大)和科廷大學(xué)(澳大利亞)的一組科學(xué)家使用ML算法處理了NMR數(shù)據(jù)。他們的模型基于來自加拿大和美國油田的各種類型油的NMR數(shù)據(jù)進行了訓(xùn)練，得出了粘度的準確預(yù)測值，這一點已通過實驗室測試得到證實。

據(jù)Skoltech碳氫化合物回收中心(CHR)教授Dmitry Koroteev表示，他們的研究表明ML算法如何幫助表征間接測量的材料特性，更具體地說，是使用NMR測量而非粘度測量在實驗室里。實際上，這意味著人們可以在不提取樣品并將其帶到實驗室進行測試的情況下，獲得有關(guān)地下儲層中油的信息。“令人驚訝的是，機器學(xué)習在這里比傳統(tǒng)的相關(guān)性更好，”科羅捷耶夫教授評論說。“我們可以直接或間接進行的實驗測量對我們的ML算法是一個很好的訓(xùn)練集。測試表明，該算法具有良好的泛化能力，不需要重新訓(xùn)練。”

“特別有趣的是在超重油和瀝青樣品上獲得的高精度ML模型。由于它們復(fù)雜的化學(xué)組成，對于這些油類型，NMR弛豫和粘度之間的關(guān)系尚不明確。對于經(jīng)驗?zāi)Ｐ停鉀Q方法是進行額外的測量以確定油的相對氫指數(shù)(RHI)，這些信息通常不容易獲得或很難在現(xiàn)場準確測量。我們的研究表明，使用ML衍生的NMR粘度型號，則無需進行這些測量。”-Skoltech-Curtin博士解釋。該論文的第一作者學(xué)生Strahinja Markovic。